50交通运输系统工程与信息2015年2月

驶里程.Neaimeh等[3]考虑了地形和交通路网等环市内主要进行货物运输.通过捕获电动汽车上的境因素，电动汽车行驶里程预测更加精确.

CAN线数据来实时采集这些车辆状态信息和电池目前关于电动汽车里程的研究中，大多是在信息等数据，并通过GPRS无线传输网络，每10s较为理想的条件下（例如要求车辆以一定的速度，发送一包数据到远程的车辆运行服务中心，并存始终在匀速状态行驶）进行的，而在实际道路上运储在中心的数据库中.车辆电池箱的组成为两箱串行时，电动汽车电流、电压、温度等各种环境因素联，每箱由六十个磷酸铁锂单体电池组成.车辆运都在变化，而且电池电量不会全部用完再进行充行中采集到的数据类型包括时间、车号、总电压、电，这样导致目前研究行驶里程的结果与电动汽总电流、SOC值、温度、单体电压、电池箱温度、最车实际的行驶里程差距较大，并没有对实际行驶高最低温度、最高最低单体电压值、报警信息、车里程起到很好的指导作用.基于这种研究背景，本辆行驶速度和车辆行驶里程等信息.

文提出一种基于数据驱动的预测行驶里程的方法.该预测方法对于解决驾驶员里程焦虑问题，并在3数据处理与分析

预测电动汽车行驶里程方面具有重要意义.

3.1数据的选取

由于电动汽车在实际运行中，一般用户不会由于在北京所有运行的电动车辆类型中15号

让车辆的电池完全放完电后再对车辆进行充物流电动车的数量多，运行时间长，并且数据稳电，由此本文给出电动汽车行驶里程的定义，是定，所以本文以15号物流电动车为研究对象，其全指在本次放电过程中，电池SOC从起始电量（不部运行数据都存储在数据库中，通过SQL语句查一定为100%）降至当前电量，电动汽车行驶的询出所有与15号物流电动车相关的变量，然后对总里程[4]

.本文规定最低电量为30%，即当电动汽

这些变量进行初步的筛选和统计，再将结果添加车电池电量为30%时，必须充电.电池的荷电状态到统计表中，具体操作如下.

（SOC：StateofCharge）表示蓄电池所剩电量与电Step1

从所有的变量中，筛选时间间隔、车

池容量的比值[5].

号、SOC值、车辆行驶速度和车辆行驶里程这五个数据驱动可广义地定义为利用系统在线或者变量，并查询出这五个变量从2013年3月27日到离线数据，实现基于数据的预报、评价、调度、监2014年4月11日之间所有的历史数据.

控、诊断、决策和优化等各种功能[6].本文主要利用Step2

在五种变量的所有历史数据中，根

数据驱动的方法探讨SOC值和行驶里程之间的关据SOC某时刻最高值到最低值之间的数据作为一系，并通过电池SOC值估计行驶里程数.

次放电过程的数据，然后统计所有放电过程.

Step3

选取某一特定的放电过程数据作为

2采集数据背景

研究对象，查询所有满足条件的放电过程，并导入本文采集的所有数据都是来自北汽新能源生

到EXCEL表中，结构如表1所示，选取查询结果中产的物流电动车的数据，这些物流电动车在北京

的16个较完整的放电过程如表2所示.

表1电动汽车数据表Table1

Electricvehicledatatable

时间车号

电池荷电状态

车辆行驶速度

车辆行驶里程TimeTerminal_id

SOCSpeed

Mileage

表2

放电过程的数量表Table2

Thequantitytableofdischargeprocess放电过程100%-30%

90%-30%

80%-30%

70%-30%

60%-30%

50%-30%

数量

7

3

3

3

第15卷第1期电动汽车行驶里程与电池SOC相关性分析与建模

51

3.2数据的删除处理

在电动汽车的原始数据中经常存在重复数据和异常数据，如表3所示.根据电动汽车的实际运行常识可知，在同一个时间点不可能存在多个不同SOC的数据，其中包含正确的数据.并且纯电动汽车在运行过程中的电流不可能是-3200这种异常数据.对于这些重复数据和异常数据，直接对其进行删除操作.

表3重复数据表Table3RepeateddatatableTime

SOCI8:28:10100-16.88:28:16100-32008:28:1688.4-16.88:28:21100-16.98:28:2188.4-17.18:28:26100-178:28:2688.4-16.98:28:32

100

-16.9

3.3数据的插值处理

在GPS传输数据过程中，经常受到高建筑物等干扰，难免在传输过程中会产生数据丢失的情况，导致数据不完整.在3.2节中，对异常数据删除时，也会导致数据的缺失.所以要对丢失的数据和由于删除导致的数据缺失进行插值处理，使每个放电过程的数据尽量完整，弥补数据的空缺.

采用Language插值方法[7]，其数学定义为：对实践中的某个物理量进行观测，在若干个不同的地方得到相应的观测值，拉格朗日插值法可以得到一个多项式，其恰好在各个观测的点取得观测到的值.拉格朗日插值方法具有容易理解，并且效果较好、容易实现等优点.

对于一组按照时间序列组合好的一次完整放电过程的所有数据，每条数据都包含时间、终端号、SOC值、车辆行驶速度和行驶里程，如果有数据缺失，就采用拉格朗日插值方法来弥补缺失的数据.

3.4数据的平均处理

插值后的数据不能直接用来进行实验，原因是SOC值以0.4%作为精度，行驶里程以1km作为精度，这就会由于两个变量的精度不够，而产生很

多不同SOC值对应同一个行驶里程值的现象，如表4所示，这样的数据是没办法对其进行建模实验的，这种数据的处理方式就是以行驶里程1km作为度量，将在这个度量内的所有SOC值进行求平均处理，平均化处理后的就是一次完整放电过程的数据.所以行驶里程为12364km时，对应的电池SOC值为55.85.

表4平均处理前的数据表Table4

Datatablebeforeaveraging

TimeSOCMileage9:40:46

56.4123649:40:5556123649:40:5656123649:41:0356123649:41:0456123649:41:1055.6123649:41:1355.6123649:41:20

55.2

12364

3.5数据处理算法设计与实现

在整个放电过程中，与行驶里程相关的数据有很多，而本文主要选取放电过程的数据，包括时间、SOC值、行驶速度和行驶里程，首先将表1中筛选出的5种数据类型的原始数据按照不同的放电过程分别导出到EXCEL表中.然后在EXCEL中对原始数据进行删除处理，运用MATLAB语言进行插值和平均处理，然后用SPSS软件对完整放电过程的数据进行行驶里程和电池SOC的相关性分析，建立模型并用递推最小二乘方法进行参数辨识实验，最后用MATLAB对模型进行验证.

4模型建立

4.1SOC和行驶里程相关性分析

在建立模型之前，本文首先在SPSS中用散点

图和Pearson相关系数来刻画行驶里程和电池SOC之间的相关性.本文提取了15号物流电动车在2013年10月12日的放电过程的数据如图1所示.

从图1可以看出，当SOC值为100%时，行驶里程为0km，表明电动汽车从满电量开始行驶.当SOC值为40%时，行驶里程约为70km，可知在电动汽车行驶过程中，随着SOC值的减少，行驶里程在逐渐增加，说明行驶里程和SOC值呈明显的负线性相关性.它们的相关性由Pearson相关系数来

（车号）